Sécuriser les données de vos projets IA : RAG, bases vectorielles et DSPM

À jour au 7 novembre 2026. Cet article complète nos analyses sur la sécurité des agents IA et sur le SOC augmenté par l’IA.

La plupart des assistants d’IA d’entreprise ne s’appuient pas seulement sur leur modèle : ils interrogent une base de connaissances construite à partir de vos documents, tickets, courriels ou procédures. Cette technique, appelée RAG (génération augmentée par la recherche), est efficace. Mais elle crée une nouvelle copie de vos données, souvent sans les protections qui les entouraient à l’origine.

Un assistant n’est jamais plus sûr que les données qu’il peut lire.

Le RAG en quelques mots

Les documents sont découpés en fragments, puis transformés en vecteurs (des représentations numériques de leur sens) stockés dans une base vectorielle. À chaque question, le système retrouve les fragments les plus proches et les fournit au modèle, qui s’en sert pour répondre.

L’avantage : pas besoin de réentraîner un modèle pour qu’il connaisse vos procédures. Le revers : la base vectorielle devient un nouveau référentiel de données, à sécuriser comme tel.

Les risques propres aux données de l’IA

Des droits d’accès perdus en route

C’est le risque le plus fréquent. L’indexation est souvent réalisée par un compte technique disposant de droits étendus. Si les droits d’origine des documents ne sont pas repris dans la base, n’importe quel utilisateur de l’assistant peut obtenir, par une simple question, des informations auxquelles il n’a pas accès dans les applications sources.

L’OWASP a d’ailleurs consacré une catégorie de son Top 10 des applications LLM (édition 2025) aux faiblesses des vecteurs et des embeddings, en recommandant des bases vectorielles qui tiennent compte des permissions et un cloisonnement strict des jeux de données. Son guide consacré à la sécurité du RAG précise qu’il faut associer les métadonnées d’accès à chaque fragment, vérifier les droits au moment de la recherche, et ne jamais compter sur le modèle pour faire respecter ces droits.

Des vecteurs qui ne sont pas anonymes

On pourrait croire qu’un vecteur, suite de nombres, ne révèle rien. C’est faux. Des chercheurs ont montré en 2023 qu’il était possible de reconstituer exactement 92 % de courts textes (32 jetons, soit une phrase ou deux) à partir de leurs seuls vecteurs, et de retrouver des noms complets dans des notes cliniques. Leur conclusion : les vecteurs doivent être protégés avec les mêmes précautions que les textes dont ils sont issus.

Des copies qui se multiplient

Extraits, fragments, caches, historiques de conversations, jeux d’évaluation, jeux d’entraînement : un projet d’IA multiplie les copies de données, souvent hors des inventaires et des durées de conservation habituels. Quand une personne exerce son droit à l’effacement au titre du RGPD, ou qu’un document est supprimé à la source, la suppression doit aussi se propager dans ces copies et dans l’index.

Le mélange des sensibilités

Réunir dans une même base des sources de niveaux de confidentialité différents crée un risque de fuite : une réponse peut combiner un document public et un extrait confidentiel. D’où l’intérêt d’étiqueter et de classer les données dès leur intégration.

L’empoisonnement de la base de connaissances

Un document piégé ajouté à la base peut influencer durablement les réponses de l’assistant, voire contenir des instructions malveillantes (voir notre analyse Sécuriser les agents IA en entreprise).

Le DSPM, un outil de pilotage

Les solutions de DSPM (Data Security Posture Management, gestion de la posture de sécurité des données) automatisent une partie de ce travail :

découvrir et classer les données, y compris dans le cloud, les services SaaS et les lacs de données ;
cartographier qui y a accès, et repérer les droits excessifs ;
détecter les expositions : données sensibles stockées au mauvais endroit, partages publics, copies oubliées ;
prioriser les corrections selon la sensibilité et l’exposition.

Toutes les solutions ne couvrent pas encore les bases vectorielles et les pipelines d’IA : la couverture de ces nouveaux référentiels est un critère de choix à vérifier.

Le cadre réglementaire

Le RGPD s’applique pleinement : finalité, minimisation, durées de conservation, droits des personnes et, le cas échéant, analyse d’impact. La CNIL a publié en 2024 et 2025 une série de fiches pratiques sur le développement des systèmes d’IA, accompagnées d’une liste de vérification.
L’AI Act impose aux systèmes d’IA à haut risque une gouvernance des données (article 10) : qualité, pertinence, origine et traitement des biais des jeux de données.
L’ANSSI recommande, dans ses recommandations de sécurité pour un système d’IA générative, de cloisonner les composants et de filtrer et journaliser les accès aux données.

Par où commencer

Cartographier les données que chaque projet d’IA lit, indexe ou conserve, y compris les historiques de conversations.
Classer les sources et écarter, ou traiter à part, ce qui n’a pas sa place dans une base de connaissances partagée : secrets, données de santé, données RH, documents stratégiques.
Reprendre les droits d’origine : métadonnées d’accès sur chaque fragment, filtrage au moment de la recherche, cloisonnement par population d’utilisateurs.
Protéger la base vectorielle comme les données sources : chiffrement, accès restreints, journalisation des requêtes.
Gérer le cycle de vie : propager les suppressions et les mises à jour, purger caches et historiques, appliquer des durées de conservation.
Piloter la posture en continu avec un outil de DSPM, et surveiller les accès anormaux depuis le SOC.
Choisir l’hébergement selon la sensibilité : une IA exécutée localement évite de confier vos données et vos index à un tiers (voir Le SOC augmenté par l’IA).

Sources

← Toutes les analyses